铁路建筑企业工程项目投标决策研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 绪论 | 第15-35页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-28页 |
| 1.2.1 企业决策过程研究 | 第17-18页 |
| 1.2.2 企业决策方法研究 | 第18-20页 |
| 1.2.3 工程项目投标决策研究 | 第20-27页 |
| 1.2.4 研究评述 | 第27-28页 |
| 1.3 研究内容 | 第28-31页 |
| 1.4 研究方法与研究思路 | 第31-33页 |
| 1.4.1 研究方法 | 第31-32页 |
| 1.4.2 研究思路 | 第32-33页 |
| 1.4.3 技术路线 | 第33页 |
| 1.5 本章小结 | 第33-35页 |
| 2 工程项目投标决策理论基础 | 第35-63页 |
| 2.1 粗糙集理论 | 第35-42页 |
| 2.1.1 粗糙集理论原理 | 第35-36页 |
| 2.1.2 知识与知识库 | 第36-37页 |
| 2.1.3 知识表达系统 | 第37-38页 |
| 2.1.4 粗糙集的约简 | 第38-41页 |
| 2.1.5 粗糙集理论应用 | 第41-42页 |
| 2.2 支持向量机理论(SVM) | 第42-49页 |
| 2.2.1 支持向量机原理 | 第42-43页 |
| 2.2.2 用于分类的支持向量机 | 第43-45页 |
| 2.2.3 用于回归估计的支持向量机 | 第45-47页 |
| 2.2.4 支持向量机理论应用 | 第47-49页 |
| 2.3 人工神经网络理论 | 第49-56页 |
| 2.3.1 人工神经网络基本概念 | 第49-50页 |
| 2.3.2 人工神经网络架构 | 第50-51页 |
| 2.3.3 人工神经网络运作过程 | 第51页 |
| 2.3.4 人工神经网络分类 | 第51-52页 |
| 2.3.5 一类重要的人工神经网络—BP神经网络 | 第52-55页 |
| 2.3.6 人工神经网络理论的应用 | 第55-56页 |
| 2.4 粒子群算法 | 第56-62页 |
| 2.4.1 粒子群算法的基本思想 | 第56-57页 |
| 2.4.2 粒子群算法模型 | 第57-58页 |
| 2.4.3 粒子群算法流程 | 第58-59页 |
| 2.4.4 几种改进的粒子群算法 | 第59-61页 |
| 2.4.5 粒子群算法理论应用 | 第61-62页 |
| 2.5 本章小结 | 第62-63页 |
| 3 铁路建筑企业特点与投标决策 | 第63-79页 |
| 3.1 铁路建筑企业的特点 | 第63-68页 |
| 3.1.1 企业核心竞争力 | 第63-64页 |
| 3.1.2 业务结构与特征 | 第64-66页 |
| 3.1.3 企业经营环境 | 第66-68页 |
| 3.2 企业工程招投标 | 第68-74页 |
| 3.2.1 工程项目招投标 | 第68-71页 |
| 3.2.2 工程项目招投标流程 | 第71-74页 |
| 3.3 铁路建筑企业工程投标问题分析 | 第74-78页 |
| 3.3.1 投标决策阶段划分 | 第74-75页 |
| 3.3.2 投标决策中的主要问题 | 第75-78页 |
| 3.4 本章小结 | 第78-79页 |
| 4 单个工程项目的投标机会决策 | 第79-103页 |
| 4.1 投标机会决策指标体系构建 | 第79-85页 |
| 4.1.1 工程投标项目分类 | 第79-81页 |
| 4.1.2 投标前期决策因素分析 | 第81-85页 |
| 4.2 基于粗糙集的项目投标评价模型 | 第85-86页 |
| 4.3 基于遗传算法和SVM的模型改进 | 第86-90页 |
| 4.3.1 基于遗传算法的属性约简和权重计算 | 第86-88页 |
| 4.3.2 支持向量机与指标离散化 | 第88-90页 |
| 4.4 某铁路建筑企业项目评估实例分析 | 第90-101页 |
| 4.4.1 样本数据收集与处理 | 第90-94页 |
| 4.4.2 决策因素权重计算 | 第94-98页 |
| 4.4.3 基于SVM改进模型的求解 | 第98-101页 |
| 4.5 本章小结 | 第101-103页 |
| 5 投标中的工程项目成本预估 | 第103-119页 |
| 5.1 工程项目成本影响因素分析 | 第103-105页 |
| 5.2 工程项目成本与影响因素之间的关系 | 第105-109页 |
| 5.2.1 LOGISTIC回归模型构建 | 第106-107页 |
| 5.2.2 回归模型下的影响因素分析 | 第107-109页 |
| 5.3 工程项目成本预测的静态模型 | 第109-113页 |
| 5.3.1 基于神经网络的成本模型构建 | 第109-111页 |
| 5.3.2 成本预测静态模型实例分析 | 第111-113页 |
| 5.4 时间序列下的成本预测模型修正 | 第113-116页 |
| 5.4.1 影响因素的输入数据修正 | 第113-115页 |
| 5.4.2 修正模型成本预测结果验证 | 第115-116页 |
| 5.5 结果分析与成本控制 | 第116页 |
| 5.6 本章小结 | 第116-119页 |
| 6 资源约束条件下铁路工程多项目综合择优 | 第119-137页 |
| 6.1 投标项目初步筛选的原则 | 第119-120页 |
| 6.2 铁路建筑企业资源约束与配置管理 | 第120-123页 |
| 6.2.1 资源约束的产生 | 第120-121页 |
| 6.2.2 工程项目间的资源配置 | 第121-122页 |
| 6.2.3 资源配置优化方法 | 第122-123页 |
| 6.3 资源约束条件下工程项目多目标的择优模型 | 第123-132页 |
| 6.3.1 多目标量化方法选择 | 第123-128页 |
| 6.3.2 多目标择优模型的构建 | 第128-130页 |
| 6.3.3 基于二阶段粒子群算法的求解 | 第130-132页 |
| 6.4 某铁路建筑企业的实例分析 | 第132-136页 |
| 6.4.1 项目优先级确定 | 第132-135页 |
| 6.4.2 有限资源下最优投标策略求解 | 第135-136页 |
| 6.5 本章小结 | 第136-137页 |
| 7 结论与展望 | 第137-141页 |
| 7.1 主要结论 | 第137-139页 |
| 7.2 主要创新点 | 第139-140页 |
| 7.3 研究展望 | 第140-141页 |
| 参考文献 | 第141-149页 |
| 附录A | 第149-153页 |
| 附录B | 第153-155页 |
| 附录C | 第155-157页 |
| 附录D | 第157-161页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第161-165页 |
| 学位论文数据集 | 第165页 |
